智谱 AI 开源了 CogAgent，这是一个视觉语言模型，拥有 180 亿参数规模。CogAgent 在 GUI 理解和导航方面表现出色，在多个基准测试上取得了 SOTA 的通用性能。模型支持高分辨率的视觉输入和对话问答，并且可以针对任意 GUI 截图进行问答。此外，CogAgent 还支持 OCR 相关任务，通过预训练和微调，其能力得到了显著提升。用户可以通过上传截图进行任务推理，并获得计划、下一个动作以及具体操作的坐标信息。
本文由「aiuc」编辑整理，文章链接：https://www.aiuc.net/21835
该文观点仅代表作者本人，平台仅提供信息存储空间服务。
